Применение цифровых продуктов в области вспомогательных репродуктивных технологий

Анна Евгеньевна Андрейченко,Екатерина Сергеевна Ахмад,Динара Андреевна Валеева,Мария Владимировна Макулова,Ирина Борисовна Архангельская,Даниил Александрович Широков,Юлия  Аверьянова

ПРЕПРИНТ

Эта статья является препринтом и не была отрецензирована.
О результатах, изложенных в препринтах, не следует сообщать в СМИ как о проверенной информации.

Применение цифровых продуктов в области вспомогательных репродуктивных технологий

А. Е. Андрейченко,

Е. С. Ахмад,

Д. А. Валеева,

М. В. Макулова,

И. Б. Архангельская,

Д. А. Широков,

Ю. Аверьянова

2024-11-20

https://doi.org/10.24108/preprints-3113194

Целью подготовки данного обзора является изучение применения цифровых продуктов в рамках программы вспомогательных репродуктивных технологий (ВРТ) с точки зрения рассмотрения информатизации регистров и методологической поддержки проведения ВРТ и анализа использования подходов на разных этапах цикла ВРТ. В отечественных и международных базах данных были отобраны и проанализированы две группы статьей, посвященные регистрам и алгоритмам машинного обучения за последние 5 лет. Исследования применения алгоритмов были распределены по основным этапам цикла ВРТ, были также выделены основные преимущества и недостатки выполненных работ. Разработка алгоритмов машинного обучения требует подготовки и формирования набора данных и последующего анализа признаков, при этом данный процесс будет зависеть от рассматриваемого назначения алгоритма и вида анализированных данных. В данной работе был приведен основные этапы разработки моделей для предсказания исхода программы ВРТ. На основании выполненного анализа опубликованных работ были установлены основные ограничения исследований и их перспектива. Было показано, что использование алгоритмов в качестве поддержки принятия решения врачами при отборе эмбрионов демонстрировало большую точность. Для последующего внедрения алгоритмов должно быть проведено подтверждение безопасности и эффективности разрабатываемых систем в рамках проспективных рандомизированных клинических исследований, которые обладают наивысшей степенью доказательности. Также был выявлен недостаток исследования экономической целесообразности внедрения алгоритмов ИИ, которая должна быть оценена в рамках отдельных научных исследований.

Ссылка для цитирования:

Андрейченко А. Е., Ахмад Е. С., Валеева Д. А., Макулова М. В., Архангельская И. Б., Широков Д. А., Аверьянова Ю. 2024. Применение цифровых продуктов в области вспомогательных репродуктивных технологий. PREPRINTS.RU. https://doi.org/10.24108/preprints-3113194

Список литературы

1. Письмо Минздрава РФ от 5 марта 2019 №15-4/И/2 - 1908, от 5 марта 2019 №15-4/и/2 - 1908.

2. Российская Ассоциация Репродукции Человека. Регистр Вспомогательных репродуктивных технологий за 2022 год. 2022. P. 56.

3. Centers for Disease Control and Prevention. 2021 Assisted Reproductive Technology Fertility Clinic and National Summary Report. US Dept of Health and Human Services; 2023.

4. Smeenk J. et al. O-121 Assisted Reproductive Technology (ART) in Europe 2021 and development of a strategy of vigilance: Preliminary results generated from European registers by the ESHRE EIM Consortium // Human Reproduction. 2024. Vol. 39, № Supplement_1. P. deae108.136. 10.1093/humrep/deae108.136.

5. Hassan M.R. et al. A machine learning approach for prediction of pregnancy outcome following IVF treatment // Neural Comput & Applic. 2020. Vol. 32, № 7. P. 2283–2297. 10.1007/s00521-018-3693-9.

6. Eapen E.S.M. et al. Comparative analysis of the effectiveness of an assisted reproductive technology program depending on an ovulation trigger // Akusherstvo i ginekologiia. 2017. Vol. 6_2017. P. 99–103. 10.18565/aig.2017.6.99-103.

7. Sysoeva S.A.P. et al. Enhancing the efficiency of assisted reproductive technologies using artificial intelligence and machine learning at the embryological stage // Akusherstvo i ginekologiia. 2020. Vol. 7_2020. P. 28–36. 10.18565/aig.2020.7.28-36.

8. Жуков O.Б., Черных В.Б. Искусственный интеллект в репродуктивной медицине // Androl. genit. hir. 2023. Vol. 23, № 4. P. 15–25. 10.17650/2070-9781-2022-23-4-15-25.

9. Adamyan L.V. The use of artificial intelligence in reproductive medicine // Probl. reprod. 2021. Vol. 27, № 3. P. 6. 10.17116/repro2021270316.

10. Wang R. et al. Artificial intelligence in reproductive medicine. // Reproduction. 2019. Vol. 158, № 4. P. R139-154. 10.1530/REP-18-0523.

11. Шахова, М.А. Лебедев, Г.С., Холин, А.М. Маляренко, О.Л. Национальный регистр вспомогательных репродуктивных технологий: реалии и перспективы. // Акушерство и гинекология. 2015. № 12.

12. Jølving L.R. et al. The Danish National Register of assisted reproductive technology: content and research potentials // Eur J Epidemiol. 2021. Vol. 36, № 4. P. 445–452. 10.1007/s10654-021-00742-8.

13. Zahmatkeshan M. et al. ART Registries–Characteristics and experiences: A comparative study // J Family Med Prim Care. 2019. Vol. 8, № 2. P. 449–454. 10.4103/jfmpc.jfmpc_453_18.

14. The Central Register - Assisted reproductive technology [Electronic resource]. URL: https://www.health.nsw.gov.au:443/art/Pages/the-central-register.aspx (accessed: 08.01.2024).

15. Bacal V. et al. The Canadian Assisted Reproductive Technologies Register (CARTR) Plus database: a validation study // Human Reproduction Open. 2020. Vol. 2020, № 2. P. hoaa005. 10.1093/hropen/hoaa005.

16. ВИМИС «АКиНЕО» [Electronic resource]. URL: https://vimis.ncagp.ru/ (accessed: 06.01.2024).

17. Сухих Г.Т. et al. Роль вертикально-интегрированной медицинской информационной системы по профилям «Акушерство и гинекология» и «Неонатология» в цифровой трансформации службы охраны материнства и детства: 3 // Национальное здравоохранение. 2022. Vol. 2, № 3. P. 18–28. 10.47093/2713-069X.2021.2.3.18-28.

18. Ковтун, О.П. et al. Информационно-аналитические системы для оценки перинатальных исходов и состояния здоровья детей, рожденных при помощи вспомогательных репродуктивных технологий // РОССИЙСКИЙ ВЕСТНИК ПЕРИНАТОЛОГИИ И ПЕДИАТРИИ. 2020. Vol. 65, № 1. P. 45–50. 10.21508/1027-4065-2020-65-1-45-50.

19. Данькова, И.В. et al. Повышение эффективности вспомогательных репродуктивных технологий - инновационный подход // Лечение и профилактика. 2017. Vol. 22, № 2. P. 7–13.

20. Drapkina D.Yu.S. et al. Artificial intelligence in reproductive medicine: ethical and clinical aspects // Akusherstvo i ginekologiia. 2022. Vol. 11_2022. P. 37–44. 10.18565/aig.2022.11.37-44.

21. Vishnyakova V.P.A. et al. Application of machine learning algorithms in morphopathology and in assisted reproductive technologies // Akusherstvo i ginekologiia. 2021. Vol. 10_2021. P. 38–46. 10.18565/aig.2021.10.38-46.

22. Hafiz P. et al. Predicting Implantation Outcome of In Vitro Fertilization and Intracytoplasmic Sperm Injection Using Data Mining Techniques // Int J Fertil Steril. 2017. Vol. 11, № 3. P. 184–190. 10.22074/ijfs.2017.4882.

23. Amini P. et al. Factors Associated with In Vitro Fertilization Live Birth Outcome: A Comparison of Different Classification Methods. // Int J Fertil Steril. 2021. Vol. 15, № 2. P. 128–134. 10.22074/IJFS.2020.134582.

24. Raef B., Ferdousi R. A Review of Machine Learning Approaches in Assisted Reproductive Technologies // Acta Inform Med. 2019. Vol. 27, № 3. P. 205–211. 10.5455/aim.2019.27.205-211.

25. Chen Z. et al. Predicting cumulative live birth rate for patients undergoing in vitro fertilization (IVF)/intracytoplasmic sperm injection (ICSI) for tubal and male infertility: a machine learning approach using XGBoost. // Chin Med J (Engl). 2022. Vol. 135, № 8. P. 997–999. 10.1097/CM9.0000000000001874.

26. Drapkina D.Yu.S. et al. Comparison of predictive models built with different machine learning techniques using the example of predicting the outcome of assisted reproductive technologies // Akusherstvo i ginekologiia. 2024. Vol. 2_2024. P. 97–105. 10.18565/aig.2023.263.

27. Драпкина, Ю.С. et al. Поддержка врачебных решений с помощью глубокого машинного обучения при лечении бесплодия методами вспомогательных репродуктивных технологий // Медицинский совет. 2023. Vol. 17, № 15. P. 27–37. 10.21518/ms2023-368.

28. Wyse B.A. et al. Personalization of IVF-ICSI workflow based on patient characteristics improves IVF laboratory outcomes and embryo ploidy by PGT-A // J Ovarian Res. 2022. Vol. 15. P. 124. 10.1186/s13048-022-01061-6.

29. Abdullah K.A.L. et al. Automation in ART: Paving the Way for the Future of Infertility Treatment. // Reprod Sci. United States, 2023. Vol. 30, № 4. P. 1006–1016. 10.1007/s43032-022-00941-y.

30. Bormann C.L. et al. Deep learning early warning system for embryo culture conditions and embryologist performance in the ART laboratory. // J Assist Reprod Genet. 2021. Vol. 38, № 7. P. 1641–1646. 10.1007/s10815-021-02198-x.

31. Cherouveim P. et al. Quality assurance (QA) for monitoring the performance of assisted reproductive technology (ART) staff using artificial intelligence (AI). // J Assist Reprod Genet. Netherlands, 2023. Vol. 40, № 2. P. 241–249. 10.1007/s10815-022-02649-z.

32. Fruchter-Goldmeier Y. et al. An artificial intelligence algorithm for automated blastocyst morphometric parameters demonstrates a positive association with implantation potential // Sci Rep. Nature Publishing Group, 2023. Vol. 13, № 1. P. 14617. 10.1038/s41598-023-40923-x.

33. Fitz V.W. et al. Should there be an “AI” in TEAM? Embryologists selection of high implantation potential embryos improves with the aid of an artificial intelligence algorithm. // J Assist Reprod Genet. 2021. Vol. 38, № 10. P. 2663–2670. 10.1007/s10815-021-02318-7.

34. Кодекс этики в сфере ИИ как инструмент мягкого регулирования отрасли [Electronic resource]. URL: https://ethics.a-ai.ru/ (accessed: 12.11.2024).

35. Rolfes V. et al. Artificial Intelligence in Reproductive Medicine – An Ethical Perspective. // Geburtshilfe Frauenheilkd. 2023. Vol. 83, № 1. P. 106–115. 10.1055/a-1866-2792.

36. Letterie G., Mac Donald A. Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization. // Fertil Steril. United States, 2020. Vol. 114, № 5. P. 1026–1031. 10.1016/j.fertnstert.2020.06.006.

37. Liang X. et al. Evaluation of oocyte maturity using artificial intelligence quantification of follicle volume biomarker by three-dimensional ultrasound. // Reprod Biomed Online. Netherlands, 2022. Vol. 45, № 6. P. 1197–1206. 10.1016/j.rbmo.2022.07.012.

38. Jia R. et al. The Optimal Number of Oocytes Retrieved From PCOS Patients Receiving IVF to Obtain Associated With Maximum Cumulative Live Birth Rate and Live Birth After Fresh Embryo Transfer. // Front Endocrinol (Lausanne). 2022. Vol. 13. 10.3389/fendo.2022.878214.

39. Prathalingam N. et al. Developing a novel device, Eggcell, to improve temperature stability during oocyte collection for IVF // Reprod Biomed Online. 2022. Vol. 45, № 6. P. 1097–1104. 10.1016/j.rbmo.2022.06.028.

40. Sadruddin S. et al. Maternal serum concentration of anti-Müllerian hormone is a better predictor than basal follicle stimulating hormone of successful blastocysts development during IVF treatment. // PLoS One. 2020. Vol. 15, № 10. 10.1371/journal.pone.0239779.

41. Sánche. González D. et al. P–245 Machine learning predicting oocyte’s fertilization and blastocyst potential based on morphological features // Human Reproduction. 2021. Vol. 36, № Supplement_1. P. deab130.244. 10.1093/humrep/deab130.244.

42. Fjeldstad J. et al. An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes // Reproductive BioMedicine Online. Elsevier, 2024. Vol. 0, № 0. 10.1016/j.rbmo.2024.103842.

43. Nayot, D. et al. O-285 An oocyte assessment tool using machine learning; Predicting blastocyst development based on a single image of an oocyte // Human reproduction. Virtual, 2020. Vol. 35. P. 522.

44. Manna C. et al. Artificial intelligence techniques for embryo and oocyte classification. // Reprod Biomed Online. Netherlands, 2013. Vol. 26, № 1. P. 42–49. 10.1016/j.rbmo.2012.09.015.

45. Mercuri N. et al. A NON-INVASIVE, 2-DIMENSIONAL (2D) IMAGE ANALYSIS ARTIFICIAL INTELLIGENCE (AI) TOOL SCORES MATURE OOCYTES AND CORRELATES WITH THE QUALITY OF SUBSEQUENT BLASTOCYST DEVELOPMENT // Fertility and Sterility. 2022. Vol. 118, № 4. P. e78–e79. 10.1016/j.fertnstert.2022.08.241.

46. Sengupta P. et al. Revolutionizing semen analysis: introducing Mojo AISA, the next-gen artificial intelligence microscopy. // Front Cell Dev Biol. Switzerland, 2023. Vol. 11. P. 1203708. 10.3389/fcell.2023.1203708.

47. Ottl S. et al. motilitAI: A machine learning framework for automatic prediction of human sperm motility. // iScience. 2022. Vol. 25, № 8. 10.1016/j.isci.2022.104644.

48. Valiuškaitė V. et al. Deep Learning Based Evaluation of Spermatozoid Motility for Artificial Insemination. // Sensors (Basel). 2021. Vol. 21, № 1. 10.3390/s21010072.

49. Wu D.J. et al. A preliminary study of sperm identification in microdissection testicular sperm extraction samples with deep convolutional neural networks. // Asian J Androl. 2021. Vol. 23, № 2. P. 135–139. 10.4103/aja.aja_66_20.

50. Noy L. et al. Sperm-cell DNA fragmentation prediction using label-free quantitative phase imaging and deep learning. // Cytometry A. United States, 2023. Vol. 103, № 6. P. 470–478. 10.1002/cyto.a.24703.

51. Parrella A. et al. P-110 A novel Artificial Intelligence Microscopy: Mojo AISA, the new way to perform semen analysis // Human Reproduction. 2022. Vol. 37, № Supplement_1. P. deac107.106. 10.1093/humrep/deac107.106.

52. García-Olalla O. et al. Acrosome integrity assessment of boar spermatozoa images using an early fusion of texture and contour descriptors. // Comput Methods Programs Biomed. Ireland, 2015. Vol. 120, № 1. P. 49–64. 10.1016/j.cmpb.2015.03.005.

53. Dubey V. et al. Partially spatially coherent digital holographic microscopy and machine learning for quantitative analysis of human spermatozoa under oxidative stress condition. // Sci Rep. England, 2019. Vol. 9, № 1. P. 3564. 10.1038/s41598-019-39523-5.

54. Kandel M.E. et al. Reproductive outcomes predicted by phase imaging with computational specificity of spermatozoon ultrastructure. // Proc Natl Acad Sci U S A. 2020. Vol. 117, № 31. P. 18302–18309. 10.1073/pnas.2001754117.

55. Butola A. et al. High spatially sensitive quantitative phase imaging assisted with deep neural network for classification of human spermatozoa under stressed condition. // Sci Rep. 2020. Vol. 10. 10.1038/s41598-020-69857-4.

56. Zeadna A. et al. Prediction of sperm extraction in non-obstructive azoospermia patients: a machine-learning perspective. // Hum Reprod. England, 2020. Vol. 35, № 7. P. 1505–1514. 10.1093/humrep/deaa109.

57. Bachelot G. et al. A Machine Learning Approach for the Prediction of Testicular Sperm Extraction in Nonobstructive Azoospermia: Algorithm Development and Validation Study // J Med Internet Res. 2023. Vol. 25. P. e44047. 10.2196/44047.

58. Gunderson S.J. et al. Machine-learning algorithm incorporating capacitated sperm intracellular pH predicts conventional in vitro fertilization success in normospermic patients. // Fertil Steril. 2021. Vol. 115, № 4. P. 930–939. 10.1016/j.fertnstert.2020.10.038.

59. Peng T. et al. Machine learning-based clustering to identify the combined effect of the DNA fragmentation index and conventional semen parameters on in vitro fertilization outcomes. // Reprod Biol Endocrinol. 2023. Vol. 21. 10.1186/s12958-023-01080-y.

60. Mirroshandel S.A., Ghasemian F., Monji-Azad S. Applying data mining techniques for increasing implantation rate by selecting best sperms for intra-cytoplasmic sperm injection treatment. // Comput Methods Programs Biomed. Ireland, 2016. Vol. 137. P. 215–229. 10.1016/j.cmpb.2016.09.013.

61. Mendizabal-Ruiz G. et al. Computer software (SiD) assisted real-time single sperm selection associated with fertilization and blastocyst formation // Reprod Biomed Online. 2022. Vol. 45, № 4. P. 703–711. 10.1016/j.rbmo.2022.03.036.

62. Yagi N. et al. Rupture Prediction for Microscopic Oocyte Images of Piezo Intracytoplasmic Sperm Injection by Principal Component Analysis. // J Clin Med. 2022. Vol. 11, № 21. 10.3390/jcm11216546.

63. Zhang Z. et al. Robotic Immobilization of Motile Sperm for Clinical Intracytoplasmic Sperm Injection. // IEEE Trans Biomed Eng. United States, 2019. Vol. 66, № 2. P. 444–452. 10.1109/TBME.2018.2848972.

64. Jiang V.S. et al. Advancements in the future of automating micromanipulation techniques in the IVF laboratory using deep convolutional neural networks. // J Assist Reprod Genet. Netherlands, 2023. Vol. 40, № 2. P. 251–257. 10.1007/s10815-022-02685-9.

65. Chavez-Badiola A. et al. Embryo Ranking Intelligent Classification Algorithm (ERICA): artificial intelligence clinical assistant predicting embryo ploidy and implantation. // Reprod Biomed Online. Netherlands, 2020. Vol. 41, № 4. P. 585–593. 10.1016/j.rbmo.2020.07.003.

66. Amitai T. et al. Embryo classification beyond pregnancy: early prediction of first trimester miscarriage using machine learning. // J Assist Reprod Genet. Netherlands, 2023. Vol. 40, № 2. P. 309–322. 10.1007/s10815-022-02619-5.

67. Basile N. et al. The use of morphokinetics as a predictor of implantation: a multicentric study to define and validate an algorithm for embryo selection. // Hum Reprod. England, 2015. Vol. 30, № 2. P. 276–283. 10.1093/humrep/deu331.

68. Carrasco B. et al. Selecting embryos with the highest implantation potential using data mining and decision tree based on classical embryo morphology and morphokinetics. // J Assist Reprod Genet. 2017. Vol. 34, № 8. P. 983–990. 10.1007/s10815-017-0955-x.

69. Berntsen J. et al. Robust and generalizable embryo selection based on artificial intelligence and time-lapse image sequences. // PLoS One. 2022. Vol. 17, № 2. 10.1371/journal.pone.0262661.

70. Benchaib M. et al. Shallow artificial networks with morphokinetic time-lapse parameters coupled to ART data allow to predict live birth. // Reprod Med Biol. Japan, 2022. Vol. 21, № 1. P. e12486. 10.1002/rmb2.12486.

71. Chavez-Badiola A. et al. Predicting pregnancy test results after embryo transfer by image feature extraction and analysis using machine learning. // Sci Rep. 2020. Vol. 10. 10.1038/s41598-020-61357-9.

72. Barrie A. et al. Examining the efficacy of six published time-lapse imaging embryo selection algorithms to predict implantation to demonstrate the need for the development of specific, in-house morphokinetic selection algorithms. // Fertil Steril. United States, 2017. Vol. 107, № 3. P. 613–621. 10.1016/j.fertnstert.2016.11.014.

73. Ahlström A. et al. Cross-validation and predictive value of near-infrared spectroscopy algorithms for day-5 blastocyst transfer. // Reprod Biomed Online. Netherlands, 2011. Vol. 22, № 5. P. 477–484. 10.1016/j.rbmo.2011.01.009.

74. Buldo-Licciardi J. et al. Utilization of standardized preimplantation genetic testing for aneuploidy (PGT-A) via artificial intelligence (AI) technology is correlated with improved pregnancy outcomes in single thawed euploid embryo transfer (STEET) cycles. // J Assist Reprod Genet. Netherlands, 2023. Vol. 40, № 2. P. 289–299. 10.1007/s10815-022-02695-7.

75. Chen C.H. et al. A novel platform for discovery of differentially expressed microRNAs in patients with repeated implantation failure. // Fertil Steril. United States, 2021. Vol. 116, № 1. P. 181–188. 10.1016/j.fertnstert.2021.01.055.

76. Mihara M., Yasuo T., Kitaya K. Precision Medicine for Chronic Endometritis: Computer-Aided Diagnosis Using Deep Learning Model. // Diagnostics (Basel). Switzerland, 2023. Vol. 13, № 5. 10.3390/diagnostics13050936.

77. Li T. et al. Deep learning analysis of endometrial histology as a promising tool to predict the chance of pregnancy after frozen embryo transfers. // J Assist Reprod Genet. Netherlands, 2023. Vol. 40, № 4. P. 901–910. 10.1007/s10815-023-02745-8.

78. Mehrjerd A. et al. Determination of Cut Off for Endometrial Thickness in Couples with Unexplained Infertility: Trustable AI. // Stud Health Technol Inform. Netherlands, 2022. Vol. 294. P. 264–268. 10.3233/SHTI220450.

ПРЕПРИНТ

ИНФОРМАЦИЯ